ผู้นำทางความคิด
การทำนายปี 2026: จากการทำให้ LLM เป็นสินค้าโภคภัณฑ์ไปสู่ยุคความจำของตัวแทน

ประเด็นสำคัญหน่วยความจำแบบเอเจนต์จะเปลี่ยน AI…
ดูเพิ่มเติม
- หน่วยความจำแบบเอเจนต์จะเปลี่ยน AI จากเครื่องมือที่ตอบสนองเป็นระบบการตัดสินใจที่พัฒนาตัวเองได้
- การรวมโมเดลจะเปลี่ยนจุดสนใจจากโมเดลขนาดใหญ่แบบรวมศูนย์ไปเป็นระบบเฉพาะทางที่ประกอบเข้าด้วยกันได้
- AI สำหรับวิทยาศาสตร์จะสร้างคุณค่าทางเศรษฐกิจผ่านการเร่งการค้นพบยาและวัสดุใหม่
ณ ต้นปี 2025 ฉันทำนายว่าโมเดลภาษาขนาดใหญ่จะกลายเป็นสินค้าโภคภัณฑ์
เมื่อราคาของโทเค็นลดลงและองค์กรต่างๆ ย้ายจากการทดลองไปสู่การผลิต การทำนายนั้นก็กลายเป็นความจริงอย่างรวดเร็ว และเปลี่ยนแปลงวิธีการสร้างและจัดการระบบ AI ที่จะเข้าสู่ปี 2026
สิ่งที่ปี 2025 ได้ทำถูกต้อง
แนวโน้มหลายอย่างที่ดูไม่แน่นอนเมื่อปีที่แล้วได้กลายเป็นความจริงแล้ว
ประการแรก โมเดลภาษาขนาดใหญ่กลายเป็นโครงสร้างพื้นฐานของ AI ค่าใช้จ่ายที่ลดลงและกระบวนการอนุมานที่ดีขึ้นได้ผลักดันให้หลายงานเข้าสู่การผลิต โดยเฉพาะอย่างยิ่งสำหรับงานที่ง่ายๆ เช่น การสกัดเอนทิตี การจำแนกประเภท และการสรุปผล คำถามของธุรกิจไม่ได้เป็นอีกต่อไปว่า ‘ควรใช้โมเดลใด’ แต่เป็น ‘จะออกแบบระบบให้รับมือกับการเปลี่ยนโมเดลอยู่ตลอดได้อย่างไร’
ประการที่สอง ตัวแทนได้พิสูจน์แล้วว่าสามารถบริโภคข้อมูลข้อความขององค์กรได้มาก ผู้นำยังคงเผชิญกับความวุ่นวายที่เกิดจากเอกสารที่เกี่ยวข้องกับการปฏิบัติตามกฎระเบียบเมื่อต้องการข้อมูลเพื่อประกอบการตัดสินใจ ข้อมูลการสื่อสารที่เคยถูกละเลยในอีเมล คำร้องขอรับบริการ และบันทึกแชทตอนนี้ถูกใช้โดยตัวแทนเพื่อให้ข้อมูลเชิงลึกและคำแนะนำ สิ่งนี้คล้ายกับคลื่นบิ๊กดาต้าระลอกแรกในช่วงต้นทศวรรษ 2010 เมื่อพื้นที่จัดเก็บราคาย่อมเยาและเครื่องมือใหม่เปิดทางให้ใช้ชุดข้อมูลที่เคยถูกทิ้งไว้
ประการที่สาม ความรู้เชิงสัญลักษณ์ได้กลับมาอีกครั้งอย่างเงียบ ๆ กราฟความรู้ซึ่งเคยถูกมองว่าเป็นสิ่งที่มีค่าใช้จ่ายสูงและเปราะบางได้พบชีวิตใหม่ผ่าน GraphRAG และการดึงข้อมูลโดยตัวแทน กราฟที่ไม่สมบูรณ์ได้พิสูจน์แล้วว่ามีประโยชน์ การปรับปรุงซ้ำมีความสำคัญมากกว่าความสมบูรณ์แบบตั้งแต่แรก นี่ไม่ใช่แค่การเปลี่ยนชื่อ แต่เป็นการเปลี่ยนแปลงจริงของวิธีที่ระบบเชิงสัญลักษณ์และระบบเชิงสถิติทำงานร่วมกัน
สุดท้าย การ ปรับแต่ง ได้กลับมามีความสำคัญอีกครั้ง เมื่อการเรียนรู้ในบริบทเผชิญกับข้อจำกัดสำหรับงานที่ไวต่อความหน่วงและต้องใช้การให้เหตุผลอย่างมาก โมเดลที่มีขนาดเล็กและเชี่ยวชาญได้กลายเป็นที่น่าสนใจอีกครั้ง อุตสาหกรรมได้ค้นพบความจริงเก่าๆ อีกครั้งว่าปัญหาไม่ใช่ทุกปัญหา ต้องการโมเดลทั่วไปขนาดใหญ่
แม้ว่าแนวโน้มเหล่านี้จะกลายเป็นสิ่งจำเป็นแล้ว แต่จุดเปลี่ยนจริงๆ จะเกิดขึ้นในปี 2026
ความจำของตัวแทนกลายเป็นพื้นฐาน
ในปี 2026 ตัวแทนจะหยุดเป็นเครื่องมือที่ไม่มีสถานะและเริ่มแสดงพฤติกรรมเหมือนระบบที่มีความทรงจำ
นี่คือที่ที่แนวคิดเรื่อง ความจำของตัวแทน เกิดขึ้น แม้ว่าจะมีความน่าดึงดูดที่จะอธิบายสิ่งนี้ว่าเป็นการ เปลี่ยนชื่อเรียก ของกราฟความรู้ แต่การอธิบายดังกล่าวพลาดประเด็น ความจำของตัวแทนคือการวิวัฒนาการ มันรวมทั้งการแทนความรู้เชิงสัญลักษณ์ที่มีโครงสร้างเข้ากับความสามารถของตัวแทนในการให้เหตุผล อัปเดต และดำเนินการตลอดเวลา
ความทรงจำคือสิ่งที่เปลี่ยนตัวแทนจากผู้ตอบสนองต่อสิ่งที่เกิดขึ้นให้กลายเป็นระบบการตัดสินใจ โดยไม่มีมัน ตัวแทนจะทำซ้ำงาน แต่งบริบทขึ้นมา และล้มเหลวในการเรียนรู้จากการกระทำในอดีต ด้วยมัน องค์กรสามารถสร้างระบบ AI ที่สะสมความรู้เชิงสถาบันแทนที่จะทิ้งมันทุกครั้งที่มีการส่งคำถาม
การรวมโมเดลแทนที่การบูชาโมเดล
หนึ่งในความพัฒนาที่ถูกพูดถึงน้อยที่สุดคือการเพิ่มขึ้นของการรวมโมเดลและการฝึกอบรมแบบกระจาย แทนที่จะฝึกอบรมโมเดลขนาดใหญ่จากจุดเริ่มต้นจนจุดสิ้นสุด นักวิจัยได้เริ่มแยกปัญหาออกเป็นหลายส่วน โมเดลที่มีขนาดเล็กและเชี่ยวชาญได้รับการฝึกอบรมแยกกันแล้วจึงรวมเข้าด้วยกัน
แนวทางนี้ปรากฏขึ้นครั้งแรกในการแข่งขันวิจัยและโจทย์ท้าทายเชิงทดลอง ในปี 2025 มันเติบโตเป็นบทสอนแบบเต็มรูปแบบและกระบวนการผลิตที่พร้อมใช้งาน ตัวอย่างสาธารณะ รวมถึงการทดลองฝึกอบรมแบบกระจายจาก Cohere ส่งสัญญาณถึงการเปลี่ยนแปลงที่กว้างขึ้น
ในปี 2026 เราจะเห็นตลาดจริงสำหรับโมเดลภาษาที่มีขนาดเล็กที่องค์กรสามารถเป็นเจ้าของ สร้าง และปรับให้เหมาะสมได้ จุดศูนย์กลางเปลี่ยนจาก “ใครมีโมเดลที่ใหญ่ที่สุด” ไปเป็น “ใครสามารถสร้างระบบที่มีประสิทธิภาพมากที่สุด”
AI สำหรับวิทยาศาสตร์ออกจากห้องปฏิบัติการ
AI สำหรับวิทยาศาสตร์ไม่ใช่แค่ความสนใจในการวิจัยเท่านั้น ในปี 2025 การประชุมเชิงปฏิบัติการด้านฟิสิกส์ ชีววิทยา และวัสดุศาสตร์ที่การประชุมใหญ่ๆ มีผู้เข้าร่วมที่ไม่คาดคิด มูลนิธิที่มั่งคั่งและผู้บริจาคเอกชนเริ่มให้ทุนสนับสนุนการพยายามใช้ AI ในทางวิทยาศาสตร์อย่างมาก สตาร์ทอัพเกิดขึ้นด้วยการมุ่งเน้นชัดเจนในการค้นพบยา การออกแบบวัสดุ และการจำลอง
ในปี 2026 การสร้างมูลค่าจะเริ่มปรากฏขึ้น หาก AI เร่งการค้นพบยาต้านแบคทีเรียใหม่ การรักษามะเร็ง หรือวัสดุใหม่ๆ ผลตอบแทนจะสูงกว่าต้นทุนการคำนวณ ทำให้ AI สำหรับวิทยาศาสตร์เป็นหนึ่งในแอปพลิเคชันที่มีเหตุผลทางเศรษฐกิจมากที่สุดในสนาม
อย่างไรก็ตาม AI จะไม่สร้างกฎฟิสิกส์ใหม่ ๆ ขึ้นมาอย่างมหัศจรรย์ AlphaFold ประสบความสำเร็จเพราะว่าปัญหาได้รับการกำหนดไว้อย่างชัดเจน ฟิสิกส์ยังคงไม่มีโมเมนต์ของฮิลเบิร์ต ซึ่งหมายถึงนิยามที่ชัดเจนและเห็นพ้องร่วมกันของปัญหาหลักที่ต้องแก้ไข การกำหนดปัญหาเหล่านี้ยังคงเป็นงานของมนุษย์
หลักฐานการสร้างเนื้อหามีความสำคัญมากขึ้น
หนึ่งในข้อค้นพบที่น่าประหลาดใจที่สุดของปีที่แล้วมาจากนักสังคมวิทยา ไม่ใช่จากนักเทคโนโลยี
ความเสี่ยงที่ใหญ่ที่สุดของ AI ที่สร้างเนื้อหาไม่ใช่การสูญเสียงาน แต่เป็นการกัดเซาะของหลักฐาน หลักฐานของการเขียนโดยผู้แต่ง หลักฐานของการทำงาน หลักฐานของความแท้จริง และหลักฐานของความเป็นมนุษย์
เมื่อเนื้อหาที่สร้างโดย AI อัดแน่นทุกสื่อ สังคมจะเรียกร้องกลไกใหม่ๆ เพื่อยืนยันว่าใครสร้างอะไร นี่คือที่ที่แนวคิดจาก วิทยาการเข้ารหัสลับ และบล็อกเชนกลับมาสู่การอภิปรายอีกครั้ง ไม่ใช่ในฐานะสินทรัพย์เชิงสเปคูเลตีฟ แต่เป็นโครงสร้างพื้นฐานสำหรับการระบุผู้สร้างและการตรวจสอบ
AI อาจกลายเป็นตัวเร่งที่ทำให้ระบบเหล่านี้มีจุดประสงค์ที่แท้จริง
ตัวแทนเรียนรู้ผ่านเครื่องมือ ไม่ใช่ข้อความ
โมเดลภาษาขนาดใหญ่ที่มีเครื่องมือต่างๆ นั้นแตกต่างจากแชทบอทอย่างพื้นฐาน เครื่องมือที่สำคัญที่สุดสำหรับตัวแทนในปัจจุบันคือเทอร์มินัล
มาตรฐานการประเมินเช่น Terminal Bench ทำให้การเปลี่ยนแปลงนี้เป็นรูปธรรม ตัวแทนสามารถโต้ตอบกับบรรทัดคำสั่ง API และสภาพแวดล้อมได้เรียนรู้โดยการทำ ห้องปฏิบัติการ AI ชั้นนำได้ใช้จ่ายหลายร้อยล้านดอลลาร์ในการซื้อข้อมูลงานที่มีทักษะสูงเพื่อฝึกอบรมตัวแทนเหล่านี้
ชุดข้อมูลเหล่านี้เป็นส่วนตัวและกระจัดกระจาย ซึ่งมีผลข้างเคียงที่สำคัญประการหนึ่ง คือ โมเดลจะหยุดคิดเหมือนกัน เมื่อข้อมูลฝึกอบรมแตกต่างกัน โมเดลแนวหน้าจะพัฒนาทักษะและรูปแบบการให้เหตุผลที่แตกต่างกัน ความเป็นเนื้อเดียวกันคือสิ่งที่เกิดขึ้นชั่วคราวเนื่องจากข้อมูลที่ใช้ร่วมกัน ความหลากหลายกำลังจะกลับมา
เมื่อผู้ช่วยเขียนโค้ดอย่าง Claude Code และ OpenAI Codex ดีขึ้นทุกวัน เราได้กลั่นกรองความรู้จากพวกมันในรูปแบบของซอฟต์แวร์ ในผลที่ตามมา สิ่งนี้เริ่มดูเหมือนกับสิ่งที่บางคนเรียกว่า “ซอฟต์แวร์ดิสทิลเลอรี่” ที่โมเดลขนาดใหญ่ช่วยออกแบบระบบที่ถูกดิสทิลลงเป็นซอฟต์แวร์ที่ราคาถูกกว่าและเจาะจงกับงาน ซึ่งมีต้นทุนการคำนวณเมื่อทำงานบน CPU ต่ำกว่าการให้โมเดลแนวหน้าทำงานนั้นโดยตรง หากการสร้างโทเค็นกลายเป็นเรื่องที่ถูกกว่ามากและผู้ช่วยเขียนโค้ดมีความสามารถมากขึ้น ซอฟต์แวร์เองอาจกลายเป็นสิ่งหนึ่งที่เป็นของอดีต เนื่องจากมนุษย์อาจต้องมีส่วนร่วมในวงจรการทำงาน แนวคิดนี้ฟังดูไม่น่าเป็นไปได้ในวันนี้ แต่ในทศวรรษ 1960 แนวคิดที่ว่าสักวันทรานซิสเตอร์หลายพันล้านตัวจะอยู่ในโทรศัพท์มือถือเครื่องเดียวได้ก็คงฟังดูไม่น่าเป็นไปได้เช่นกัน
มองไปข้างหน้า
หากปี 2025 เป็นปีที่โมเดลภาษาขนาดใหญ่มีราคาถูกลง ปี 2026 จะเป็นปีที่ความฉลาดกลายเป็นระบบที่มีโครงสร้าง
ผู้ชนะจะไม่ใช่ผู้ที่มีโมเดลที่ใหญ่ที่สุด แต่ผู้ที่สร้างระบบที่จดจำ ให้เหตุผล ระบุ และพัฒนา AI ไม่ใช่เรื่องของความสามารถดิบอีกต่อไป แต่เป็นเรื่องของสถาปัตยกรรม
และนั่นคือที่ที่ความก้าวหน้าที่แท้จริงจะเกิดขึ้น












